⚛️ quantum physics

Evolving Hybrid Quantum-Classical Architectures for Image Classification

Questo articolo estende il framework evolutivo EXAQC per automatizzare la scoperta di architetture ibride quantistico-classiche per la classificazione di immagini, dimostrando che i circuiti quantistici parametrizzati evoluti possono raggiungere un'accuratezza competitiva su MNIST, Fashion-MNIST e CIFAR-10 riducendo significativamente il numero di parametri addestrabili rispetto ai modelli di deep learning classici.

Autori originali: Devroop Kar, Daniel Krutz, Travis Desell

Pubblicato 2026-10-05

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Devroop Kar, Daniel Krutz, Travis Desell

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nella silenziosa corsa per costruire computer più intelligenti, è emersa una nuova frontiera dove la rigida logica dei chip al silicio incontra la natura fluida e probabilistica della meccanica quantistica. Per anni, gli scienziati hanno cercato di insegnare alle macchine a riconoscere schemi, dal distinguere un gatto in una fotografia all'identificare un tumore in una radiografia. I computer tradizionali fanno questo elaborando enormi quantità di dati attraverso strati di filtri matematici, un metodo che funziona bene ma richiede un'energia e una memoria immense. I computer quantistici, che utilizzano le strane regole della fisica che governano gli atomi, promettono di risolvere questi problemi con molta meno fatica, ma sono notoriamente difficili da controllare. L'ostacolo principale è che i "circuiti" all'interno di queste macchine quantistiche — le specifiche disposizioni di porte che elaborano l'informazione — devono essere progettati con estrema precisione. Se il design è anche solo leggermente errato, il computer non riesce a imparare o, peggio, smette del tutto di imparare. Per molto tempo, i ricercatori hanno dovuto progettare questi disegni a mano, ipotizzando quale disposizione di parti quantistiche avrebbe funzionato meglio per un compito specifico, un processo che era lento, costoso e spesso inefficace.

Un team di ricercatori del Rochester Institute of Technology ha adottato un approccio diverso, uno che permette al computer di progettare se stesso. Hanno sviluppato un sistema chiamato EXAQC, che utilizza un processo evolutivo simile alla selezione naturale per scoprire il miglior circuito quantistico possibile per un determinato lavoro. Invece di un ingegnere umano che disegna un progetto, il sistema genera miglia di progetti di circuiti casuali, li testa e tiene quelli che performano meglio. Successivamente, mescola e muta questi design di successo per creare versioni ancora migliori, ripetendo il ciclo finché non trova una soluzione che sia sia accurata che efficiente. I ricercatori hanno testato questo sistema sul difficile compito della classificazione delle immagini, chiedendo alla macchina di guardare foto di numeri scritti a mano, capi d'abbigliamento e oggetti quotidiani come auto e animali, e di smistarli nelle categorie corrette.

I risultati di questo esperimento rivelano un cambiamento sorprendente nel modo in cui potremmo costruire i futuri sistemi intelligenti. Quando i ricercatori hanno applicato il loro sistema evolutivo al compito di riconoscere cifre scritte a mano, ha raggiunto un tasso di successo di quasi il 98,5 percento. Quando il compito è diventato più difficile, passando alle immagini di abbigliamento, il sistema è riuscito comunque a ottenere circa il 90,6 percento di correttezza. La vera prova è arrivata con il dataset più complesso, una collezione di immagini colorate di dieci diverse classi di oggetti. Qui, il sistema ha raggiunto un'accuratezza dell'85,5 percento. Ciò che rende questi numeri particolarmente significativi non è solo che il sistema abbia funzionato, ma come ha funzionato. I ricercatori hanno scoperto che i circuiti quantistici evoluti dal sistema erano incredibilmente compatti, utilizzando solo una minima frazione delle risorse richieste dai modelli informatici tradizionali. Infatti, sul dataset più complesso, il sistema ibrido ha raggiunto lo stesso livello di accuratezza di una massiccia rete neurale profonda a dieci strati, pur utilizzando oltre il novantasei percento in meno di impostazioni regolabili, o parametri, per svolgere il lavoro.

Lo studio ha anche scoperto che il modo in cui i dati vengono alimentati nella macchina quantistica conta più di quanto precedentemente pensato. I ricercatori hanno provato diversi metodi per tradurre un'immagine digitale standard in uno stato quantistico. Hanno scoperto che per immagini semplici, il metodo non faceva molta differenza. Tuttavia, per le immagini complesse e colorate, la scelta del metodo di traduzione era critica. Un metodo specifico, che utilizza la codifica basata sulla rotazione, ha permesso al sistema di comprendere le immagini molto meglio del tradizionale metodo basato sull'ampiezza, migliorando l'accuratezza di oltre venti punti percentuali. Questo suggerisce che man mano che i compiti diventano più difficili, il modo in cui prepariamo i dati per il processore quantistico diventa importante quanto il processore stesso.

Forse la scoperta più sorprendente è stata come il sistema gestisse l'enorme volume di informazioni nelle immagini. Un'immagine grezza dal dataset complesso contiene oltre tremila punti dati, troppi per l'attuale hardware quantistico per gestirli direttamente. I ricercatori hanno risolto questo problema utilizzando un componente informatico standard per comprimere l'immagine in un riassunto piccolo e gestibile prima di passarlo alla parte quantistica. Il sistema evolutivo ha poi imparato come elaborare questo riassunto. È risultato che i circuiti quantistici evoluti per gestire questi riassunti compressi non erano strutture semplici e ripetitive. Al contrario, hanno sviluppato schemi di connessione complessi e irregolari che non somigliavano affatto ai design fissi che gli umani creano di solito. Questi circuiti evoluti sono stati in grado di estrarre l'informazione necessaria dai dati compressi con una straordinaria efficienza, dimostrando che una ricerca automatizzata può trovare soluzioni che i progettisti umani potrebbero trascurare.

I ricercatori sono stati attenti a sottolineare che questi risultati derivano da simulazioni al computer, non dall'esecuzione dei circuiti su vero hardware quantistico, che è ancora nelle sue fasi iniziali ed è soggetto a errori. Tuttavia, la coerenza dei risultati attraverso dieci sessioni separate dell'esperimento suggerisce che le scoperte siano robuste e non solo un colpo di fortuna. Il sistema non ha solo trovato una soluzione; ha trovato una soluzione che era significativamente più efficiente dei metodi esistenti. Combinando la capacità di un computer classico di estrarre caratteristiche con la capacità di un computer quantistico di elaborarle, i ricercatori hanno dimostrato una strada da seguire che evita la necessità di modelli massicci e voraci di energia. Il lavoro mostra che non dobbiamo aspettare l'hardware quantistico perfetto per vedere i benefici; evolvendo l'architettura giusta per il compito specifico, possiamo costruire sistemi ibridi che siano potenti, compatti e pronti per le sfide dei dati del mondo reale.

Sintesi Tecnica: Architetture Ibride Quantistico-Classiche Evolutive per la Classificazione di Immagini

Definizione del Problema

Le reti neurali ibride quantistico-classiche (HQNN) integrano circuiti quantistici parametrizzati (PQC) con architetture di deep learning per elaborare dati classici. Tuttavia, le prestazioni di questi modelli dipendono fortemente dalla selezione manuale dell'architettura del circuito quantistico (ansatz), inclusa la composizione dei gate, la profondità del circuito, la connettività dei qubit e la codifica dei dati. Gli approcci esistenti si affidano tipicamente a circuiti fissi o progettati a mano che non sono garantiti essere adatti a compiti specifici. Questa limitazione è particolarmente acuta nella classificazione di immagini, dove i circuiti quantistici devono trasformare le caratteristiche estratte dalle reti classiche pur rimanendo abbastanza compatti da permettere l'addestramento pratico su hardware a breve termine. Gli ansatz generici e non specifici per il compito spesso non riescono a soddisfare tali requisiti simultanei, portando a problemi come i plateau barren (gradienti che scompaiono esponenzialmente) e una scarsa addestrabilità. Di conseguenza, esiste la necessità di un metodo automatizzato per scoprire strutture di circuiti quantistici che siano sia efficaci per immagini complesse che computazionalmente efficienti.

Metodologia

Gli autori estendono EXAQC, un framework evolutivo precedentemente utilizzato per benchmark a bassa dimensionalità, al dominio della classificazione di immagini. La metodologia proposta impiega un'architettura ibrida composta da tre componenti principali:

Encoder Classico ( $E_\psi$ ): Un estrattore di caratteristiche (blocco identità, MLP o CNN) che comprime immagini grezze ad alta dimensionalità ( $C \times H \times W$ ) in una rappresentazione compatta ( $d_q$ ) adatta all'elaborazione quantistica.
Circuito Quantistico Parametrizzato Evoluto ( $Q_{\theta, A}$ ): Un PQC in cui l'architettura $A$ (composizione dei gate, profondità, connettività) viene scoperta tramite ricerca evolutiva, mentre i parametri continui $\theta$ sono ottimizzati tramite discesa del gradiente.
Decoder Classico ( $D_\phi$ ): Una rete che mappa gli esiti delle misurazioni quantistiche in predizioni di classe.

Processo di Ricerca Evolutiva:
EXAQC utilizza un algoritmo evolutivo a stato stazionario per ottimizzare la struttura del circuito. Ogni circuito candidato è rappresentato come un genoma a lunghezza variabile contenente una collezione ordinata di gate. La ricerca impiega:

Mutazione Strutturale: Aggiunta, abilitazione, disabilitazione o riordinamento di gate, e modifica della connettività dei qubit.
Crossover: Combinazione di informazioni dai circuiti genitori utilizzando operatori binari, esponenziali o n-ari.
Ereditarietà Lamarckiana: Trasferimento dei parametri continui appresi dai genitori alla prole per accelerare la convergenza.
Valutazione Asincrona: I candidati sono valutati in parallelo e la prole compete immediatamente per l'inserimento nella popolazione in base alla fitness di validazione.

Strategie di Codifica Quantistica:
Lo studio investiga quattro meccanismi di codifica dell'input:

Amplitude Encoding (Codifica di Ampiezza): Mappa $d_q$ caratteristiche in $n_q = \lceil \log_2(d_q) \rceil$ qubit.
Rotation Encodings (RX, RY): Mappa una caratteristica per qubit ( $n_q = d_q$ ).
U3 Encoding: Mappa tre caratteristiche per qubit utilizzando il gate $U3(\theta, \phi, \lambda)$ , permettendo $n_q = d_q/3$ .

L'obiettivo di addestramento minimizza la perdita di cross-entropy attraverso i parametri congiunti dell'encoder, del circuito quantistico e del decoder.

Contributi Chiave

Estensione di EXAQC alla Classificazione di Immagini: Il documento estende con successo il framework EXAQC da problemi a bassa dimensionalità a complessi dataset di immagini (MNIST, Fashion-MNIST, CIFAR-10), dimostrando che i circuiti evoluti possono trovare trasformazioni utili nelle caratteristiche delle immagini compresse.
Scoperta Automatica di Moduli Quantistici Compatti: A differenza dei metodi che si affidano a ansatz fissi, l'approccio proposto evolve circuiti su misura per le caratteristiche apprese, risultando in moduli quantistici compatti (20–60 gate) che sostituiscono componenti classiche più grandi.
Uso Innovativo della Codifica U3: Il lavoro introduce l'uso dei gate U3 come meccanismo di codifica quantistica all'interno di un framework di ricerca evolutiva, distinguendosi dai lavori precedenti che non impiegavano questa specifica strategia di codifica.
Efficienza dei Parametri: Lo studio fornisce prove empiriche che i modelli ibridi evoluti possono raggiungere un'accuratezza competitiva con significativamente meno parametri addestrabili rispetto ai baseline di deep learning puramente classici.

Risultati Sperimentali

Il framework è stato valutato su tre dataset con complessità crescente:

Performance Predittiva:
- MNIST: 98,42% di accuratezza.
- Fashion-MNIST: 90,62% di accuratezza.
- CIFAR-10: 85,47% di accuratezza.
- Questi risultati superano o eguagliano i precedenti metodi di ricerca dell'architettura quantistica (QAS) (es. EQNAS, AQEA-QAS) su CIFAR-10 pur utilizzando meno gate.
Impatto della Codifica:
- Su MNIST, la scelta della codifica ha avuto un impatto minimo (differenze < 1%).
- Su CIFAR-10, le codifiche basate sulla rotazione (RX, RY, U3) hanno superato significativamente la codifica di ampiezza (83,75–86,68% vs 61,38%). La codifica U3 ha prodotto l'accuratezza più elevata (86,68%) ma ha richiesto i circuiti più grandi (60 gate, 40 parametri).
Efficienza dei Parametri:
- CIFAR-10: Il modello ibrido EXAQC ha raggiunto l'85,68% di accuratezza con 100.173 parametri, eguagliando una CNN a 10 strati (85,50%) che richiedeva 2.569.962 parametri (una riduzione del 96,1%). È rimasto inoltre entro il 1,4% dell'accuratezza di ResNet18 con il 99,1% in meno di parametri.
- Fashion-MNIST: Il modello ibrido ha superato una CNN a 1 strato (91,11% vs 89,47%) con il 54,8% in meno di parametri.
Complessità del Circuito:
- I circuiti evoluti per CIFAR-10 erano sostanzialmente più grandi e più intrecciati rispetto a quelli per MNIST, presentando disposizioni irregolari e non stratificate di rotazioni a singolo qubit e gate controllati multi-qubit, differendo dai template standard progettati a mano.

Significato e Rivendicazioni

Il documento sostiene che la scoperta automatica dei circuiti tramite ricerca evolutiva produce moduli quantistici compatti capaci di sostituire componenti classiche più grandi nelle architetture di visione senza sacrificare un'accuratezza competitiva. La significatività di questo lavoro risiede in:

Scalabilità: Dimostrare che i PQC evoluti possono gestire le rappresentazioni delle caratteristiche compresse di dataset di immagini complessi, colmando il divario tra i limiti dell'hardware a breve termine e i requisiti di dati ad alta dimensionalità.
Efficienza: Stabilire che i modelli ibridi possono raggiungere prestazioni allo stato dell'arte per la loro classe con un numero di parametri drasticamente ridotto, affrontando i vincoli di risorse dell'attuale hardware quantistico.
Adattabilità: Evidenziare che l'architettura quantistica e la strategia di codifica ottimali non sono universali ma dipendono fortemente dal dataset e dalla qualità dell'estrazione delle caratteristiche classiche.

Gli autori concludono che, sebbene i risultati siano promettenti, il lavoro futuro dovrà affrontare la dipendenza dalla simulazione, la necessità di confronti standardizzati con lo stato dell'arte e l'ottimizzazione congiunta di encoder e circuiti quantistici. Notano inoltre che i costi della ricerca evolutiva aumentano con la complessità del circuito, suggerendo la necessità di strategie di ricerca distribuite più efficienti.